[论文解读] A Comparison between Memetic algorithm and Genetic algorithm for the cryptanalysis of Simplified Data Encryption Standard algorithm

Poonam Garg|arXiv (Cornell University)|Apr 5, 2010

Chaos-based Image/Signal Encryption被引用 52

一句话总结

本文比较了用于破译简化数据加密标准（SDES）的规划化算法（MAs）与遗传算法（GAs），SDES是一个NP难的组合优化问题。通过将局部搜索整合到遗传框架中，规划化算法减少了早熟收敛现象，并在实验评估中表现出比标准遗传算法更优的收敛速度和解的质量。

ABSTRACT

Genetic algorithms are a population-based Meta heuristics. They have been successfully applied to many optimization problems. However, premature convergence is an inherent characteristic of such classical genetic algorithms that makes them incapable of searching numerous solutions of the problem domain. A memetic algorithm is an extension of the traditional genetic algorithm. It uses a local search technique to reduce the likelihood of the premature convergence. The cryptanalysis of simplified data encryption standard can be formulated as NP-Hard combinatorial problem. In this paper, a comparison between memetic algorithm and genetic algorithm were made in order to investigate the performance for the cryptanalysis on simplified data encryption standard problems(SDES). The methods were tested and various experimental results show that memetic algorithm performs better than the genetic algorithms for such type of NP-Hard combinatorial problem. This paper represents our first effort toward efficient memetic algorithm for the cryptanalysis of SDES.

研究动机与目标

• 研究规划化算法在解决SDES密码分析这一著名NP难组合优化问题中的有效性。
• 通过整合局部搜索启发式方法，解决经典遗传算法中的早熟收敛问题。
• 从解的质量和收敛速度两个方面，评估并比较规划化算法与遗传算法在SDES密码分析中的性能表现。
• 为将先进元启发式方法应用于密码学逆向工程任务奠定基础。

提出的方法

• 本研究采用标准遗传算法（GA），并使用标准遗传算子（如选择、交叉和变异）实现种群演化。
• 通过在每代之后嵌入局部搜索过程，实现规划化算法（MA），以优化有希望的解并减少早熟收敛。
• 设计适应度函数，通过测量解密输出与预期明文之间的汉明距离，引导搜索过程朝向正确密钥方向进行。
• 将两种算法应用于SDES问题，即恢复用于简化DES密码的10位密钥。
• 通过固定参数的多次独立运行对算法进行评估，性能指标包括收敛速度和成功率。
• 收集并比较多个测试案例的实验结果，以评估解的质量和鲁棒性。

实验结果

研究问题

• RQ1 规划化算法在破译简化数据加密标准（SDES）方面的性能与标准遗传算法相比如何？
• RQ2 在SDES密码分析中，规划化算法中引入局部搜索在多大程度上缓解了早熟收敛问题？
• RQ3 当求解SDES密钥恢复等NP难组合优化问题时，规划化算法是否能够实现比遗传算法更快的收敛速度和更高的成功率？
• RQ4 在SDES密码分析的进化过程中，局部搜索优化对生成解的质量产生了何种影响？

主要发现

• 规划化算法在收敛速度方面持续优于遗传算法，能在更少代数内达到最优解。
• 在多次测试运行中，规划化算法在恢复正确SDES密钥方面的成功率显著高于遗传算法。
• 在规划化框架中集成局部搜索显著减少了早熟收敛现象，从而实现了对解空间更有效的探索。
• 实验结果证实，规划化算法在解决SDES密码分析这一NP难组合优化问题方面，比遗传算法更具有效性。